Utilizamos cookies para comprender de qué manera utiliza nuestro sitio y para mejorar su experiencia. Esto incluye personalizar el contenido y la publicidad. Para más información, Haga clic. Si continua usando nuestro sitio, consideraremos que acepta que utilicemos cookies. Política de cookies.

Presenta Sitios para socios Información LinkXpress hp
Ingresar
Publique su anuncio con nosotros
GLOBETECH PUBLISHING LLC

Deascargar La Aplicación Móvil




Modelo de IA ultraligero rompe barreras en el diagnóstico del cáncer de pulmón

Por el equipo editorial de MedImaging en español
Actualizado el 25 Jun 2025
Representación esquemática de la arquitectura del modelo de IA ultraligero y del proceso de entrenamiento (Foto cortesía de Kenji Suzuki/Instituto de Ciencias Tokio)
Representación esquemática de la arquitectura del modelo de IA ultraligero y del proceso de entrenamiento (Foto cortesía de Kenji Suzuki/Instituto de Ciencias Tokio)

Los modelos de inteligencia artificial (IA) suelen requerir enormes conjuntos de datos y costosos servidores GPU, lo que dificulta considerablemente su adopción generalizada, especialmente en entornos con recursos limitados. Ahora, investigadores han desarrollado un modelo ultraligero de aprendizaje profundo que puede ayudar en el diagnóstico del cáncer de pulmón utilizando únicamente una computadora portátil estándar y un conjunto de datos mínimo, ofreciendo una alternativa muy accesible a los sistemas de diagnóstico tradicionales basados en IA.

Este revolucionario modelo de IA fue desarrollado por un equipo de investigación del Instituto de Ciencias de Tokio (Tokio, Japón) mediante un enfoque único de aprendizaje profundo basado en redes neuronales artificiales de entrenamiento masivo (MTANN, por sus siglas en inglés). Esta técnica permitió construir un modelo de diagnóstico potente sin los elevados costos computacionales ni el gran volumen de datos que normalmente requiere el aprendizaje profundo.

A diferencia de los modelos de IA convencionales a gran escala, que se basan en el entrenamiento con miles de imágenes médicas, este modelo aprende de forma única a partir de datos de píxeles individuales extraídos de tomografías computarizadas (TC). Este enfoque redujo significativamente el tamaño del conjunto de datos requerido a tan solo 68 casos. Todo el proceso de entrenamiento se completó en tan solo 8 minutos y 20 segundos en una computadora portátil estándar, lo que demuestra la extraordinaria eficiencia del modelo.

A pesar de haber sido entrenado con un conjunto de datos reducido y ejecutado en hardware limitado, el modelo demostró un rendimiento diagnóstico excepcional. Alcanzó un valor de área bajo la curva (AUC) de 0,92, superando ampliamente a los modelos de IA a gran escala de vanguardia, como Vision Transformer y 3D ResNet, que solo alcanzaron valores de AUC de 0,53 y 0,59, respectivamente. Una vez entrenado, el modelo generó predicciones diagnósticas a una velocidad de 47 milisegundos por caso, lo que lo hace práctico para el uso clínico en tiempo real.

Esta solución de IA ultraligera ofrece importantes ventajas prácticas. Elimina la necesidad de infraestructura costosa y conjuntos de datos masivos, lo que facilita el acceso al diagnóstico avanzado de cáncer de pulmón basado en IA a hospitales pequeños, clínicas rurales y regiones en desarrollo. Su velocidad de análisis y alta precisión también tienen el potencial de reducir los retrasos en el diagnóstico y apoyar una intervención temprana, aspecto crucial para mejorar los resultados en pacientes con cáncer de pulmón.

“Esta tecnología no solo busca abaratar o acelerar la IA”, afirmó Kenji Suzuki, del Instituto de Ciencias de Tokio, quien dirigió el equipo de investigación que desarrolló el modelo. “Se trata de hacer accesibles potentes herramientas de diagnóstico, especialmente para enfermedades raras donde es difícil obtener datos de entrenamiento. Además, reducirá considerablemente el consumo de energía para el desarrollo y uso de la IA en los centros de datos y puede resolver el problema de escasez de energía global que podríamos enfrentar debido al rápido crecimiento del uso de la IA”.

Enlaces relacionados:
Instituto de Ciencias de Tokio

Half Apron
Demi
Pocket Fetal Doppler
CONTEC10C/CL
40/80-Slice CT System
uCT 528
New
Mobile X-Ray System
K4W

Canales

RM

ver canal
Imagen: una resonancia magnética cardíaca con contraste de un paciente con miocardiopatía hipertrófica considerado por MAARS con alto riesgo de muerte súbita (foto cortesía de la Universidad Johns Hopkins)

Modelo de IA supera a los médicos en la identificación de pacientes con mayor riesgo de paro cardíaco

La miocardiopatía hipertrófica es una de las cardiopatías hereditarias más comunes y una de las principales causas de muerte súbita cardíaca en jóvenes y deportistas.... Más

Ultrasonido

ver canal
Imagen: MoGLo-Net rastrea el movimiento del transductor de ultrasonido utilizando datos de motas de tejido sin necesidad de sensores externos (foto cortesía de la Universidad Nacional de Pusan)

Avance en modelo de aprendizaje profundo mejora las imágenes médicas 3D con dispositivos portátiles

La ecografía es una técnica diagnóstica vital que permite visualizar órganos y tejidos internos en tiempo real, además de guiar procedimientos como biopsias e inyecciones.... Más

Medicina Nuclear

ver canal
Imagen: la herramienta de diagnóstico podría mejorar las decisiones de diagnóstico y tratamiento para pacientes con infecciones pulmonares crónicas (foto cortesía de SNMMI)

Nueva técnica de PET específica para bacterias detecta infecciones pulmonares difíciles de diagnosticar

Mycobacteroides abscessus es una micobacteria de rápido crecimiento que afecta principalmente a pacientes inmunodeprimidos y a personas con enfermedades pulmonares preexistentes, como fibrosis... Más

Imaginología General

ver canal
Imágenes de resultado positivo en examen de detección de colonografía por TC en un hombre asintomático de 67 años (foto cortesía de Radiology)

La colonografía por TC supera a la prueba de ADN en heces para la detección del cáncer de colon

Dado que el cáncer colorrectal sigue siendo la segunda causa principal de muertes relacionadas con el cáncer a nivel mundial, la detección temprana mediante pruebas de cribado es fundamental... Más

TI en Imaginología

ver canal
Imagen: La nueva Medical Imaging Suite hace que los datos de imágenes de atención médica sean más accesibles, interoperables y útiles (Fotografía cortesía de Google Cloud)

Nueva suite de imágenes médicas de Google Cloud hace los datos de imágenes médicas más accesibles

Las imágenes médicas son una herramienta fundamental que se utiliza para diagnosticar a los pacientes, y cada año se escanean miles de millones de imágenes médicas en... Más
Copyright © 2000-2025 Globetech Media. All rights reserved.